有向无环图上的格兰杰因果推断识别调控转录的基因组位点
机器学习
2022-10-20 v1 基因组学
摘要
当一个动力系统可建模为观测序列时，格兰杰因果性是检测其变量间预测性相互作用的有力方法。然而，在传统格兰杰因果推断中，若动力学需表示为有向无环图（DAG）而非线性序列（如细胞分化轨迹），其实用性有限。在此，我们提出 GrID-Net，一种基于带滞后消息传递的图神经网络、用于 DAG 结构系统上格兰杰因果推断的框架。我们的动机性应用是分析单细多模态数据，以识别介导特定基因调控的基因组位点。据我们所知，GrID-Net 是首个考虑基因组位点可及性与其对靶基因表达的下游效应之间存在时间滞后的单细胞分析工具。我们将 GrID-Net 应用于在同一细胞中分析染色质可及性（ATAC-seq）与基因表达（RNA-seq）的多模态单细胞检测，表明其在推断调控位点-基因关联方面大幅优于现有方法，与独立的群体遗传学估计的一致性最高提升 71%。通过将格兰杰因果性扩展至 DAG 结构的动力系统，我们的工作开启了因果分析的新领域，更具体地，为以空前规模与分辨率阐明与细胞分化和复杂人类疾病相关的基因调控相互作用开辟了路径。
引用
@article{arxiv.2210.10168,
title = {Granger causal inference on DAGs identifies genomic loci regulating transcription},
author = {Rohit Singh and Alexander P. Wu and Bonnie Berger},
journal= {arXiv preprint arXiv:2210.10168},
year = {2022}
}
备注
Presented at the International Conference on Learning Representations 2022